Diseño de un motor de aprendizaje en redes de sensores inalámbricas cognitivas

Texto completo

(1)CARLOS HERNÁN TOBAR ARTEAGA. DISEÑO DE UN MOTOR DE APRENDIZAJE EN REDES DE SENSORES INALÁMBRICAS COGNITIVAS. Tesis de Maestría. Universidad del Cauca Facultad de Ingeniería Electrónica y Telecomunicaciones Maestría en Electrónica y Telecomunicaciones Popayán 2012.

(2)

(3) CARLOS HERNÁN TOBAR ARTEAGA. DISEÑO DE UN MOTOR DE APRENDIZAJE EN REDES DE SENSORES INALÁMBRICAS COGNITIVAS. Tesis presentada a la Facultad de Ingeniería Electrónica y Telecomunicaciones de la Universidad del Cauca para la obtención del título de. Magister en Electrónica y Telecomunicaciones. Director Magister Guefry Leider Agredo Méndez. Popayán 2012.

(4)

(5) i. Agradecimientos. Al Magister Guefry Leider Agredo Méndez, docente del departamento de Telecomunicaciones de la Facultad de Ingeniería Electrónica y Telecomunicaciones de la Universidad del Cauca, por su contribución en el desarrollo del presente trabajo de investigación. Al Departamento de Telecomunicaciones, y al grupo de I+D en Nuevas Tecnologías en Telecomunicaciones de la Facultad de Ingeniería Electrónica y Telecomunicaciones de la Universidad del Cauca, por su apoyo durante el desarrollo del presente trabajo de investigación..

(6)

(7) iii. Resumen. En una red de sensores inalámbrica la comunicación entre los nodos se realiza mediante canales de radiofrecuencia, por lo general de poco ancho de banda, y asignados en bandas de frecuencia compartidas con otras tecnologías y estándares de comunicación. Esto hace que los enlaces de radio varíen en tiempo y espacio, donde el ruido e interferencia pueden comprometer el desempeño en la transferencia de los datos, razón por la cual se requiere el establecimiento de mecanismos de cognición, que les permitan ser conscientes del ambiente de radio cercano, tomar decisiones sobre cambios en sus parámetros de operación y comunicarlos a los demás nodos de la red, con el objetivo de lograr un mejor desempeño en la transmisión de los datos sobre los canales de radio. En esta tesis se presenta un modelo de redes de sensores inalámbricas cognitivas que incorpore las funciones de sensado, aprendizaje y razonamiento, y propone un motor de aprendizaje que lo implemente; el cual es soportado por una red neuronal con alimentación hacia delante.. Palabras clave: redes de sensores inalámbricas, radio cognitivo, redes neuronales..

(8)

(9) v. Abstract. The communication between nodes in a wireless sensor network is done through radiofrequency channels. They have low bandwidth and are allocated in frequency bands shared with others technologies and communication standards. This implies that the radio links fluctuate in time and space, and the performance on transfer data is degraded by noise and interference. Therefore it is required to incorporate novel cognition mechanisms to the nodes of the sensor network. It can allow awareness of close radio environment, to make decisions about changes on operating parameters and send messages for signaling and coordinating to other nodes of the network. The goal is to get an improved performance. This work presents a model of cognitive wireless sensor network that incorporates functions of sensing, learning and reasoning, and proposes a learning engine for its implementation; it is supported through the use of a feed forward neural network.. Keywords: Wireless sensor networks, cognitive radio, neural networks..

(10)

(11) vii. Contenido. Pág. Lista de tablas .............................................................................................................. x Lista de figuras ............................................................................................................ xi Lista de abreviaturas ................................................................................................. xiii Introducción ................................................................................................................. 1 1.1 Justificación de la tesis ...................................................................................... 3 1.2 Contribución de la tesis ...................................................................................... 4 1.3 Organización de la tesis ..................................................................................... 4 Marco teórico............................................................................................................... 7 2.1 Redes de sensores inalámbricas ....................................................................... 7 2.2 Radio cognitivo................................................................................................. 13 2.3 Técnicas de inteligencia artificial ...................................................................... 16 2.3.1 Redes neuronales artificiales ..................................................................... 16 2.3.2 Computación evolutiva............................................................................... 21 2.3.3 Lógica difusa.............................................................................................. 21 2.4 Conclusiones.................................................................................................... 24 Modelo de redes de sensores inalámbricas cognitivas ............................................. 27 3.1 Modelo conceptual ........................................................................................... 27.

(12) 3.2 Arquitectura de red ........................................................................................... 29 3.3 Arquitectura de los nodos ................................................................................. 31 Mecanismo de aprendizaje en redes de sensores inalámbricas cognitivas .............. 35 4.1 Sensado ........................................................................................................... 35 4.2 Aprendizaje ...................................................................................................... 38 4.2.1 Método de aprendizaje red neuronal.......................................................... 39 4.2.2 Algoritmo de cálculo red neuronal .............................................................. 43 4.3 Control .............................................................................................................. 44 4.4 Persistencia de datos ....................................................................................... 47 Escenarios de operación del motor de aprendizaje y métricas de desempeño ......... 51 5.1 Selección dinámica de canal ............................................................................ 53 5.1.1 CWSN en estrella....................................................................................... 53 5.1.2 CWSN en árbol de clusters ........................................................................ 61 5.2 Selección de capa física ................................................................................... 65 5.2.1 CWSN en estrella....................................................................................... 65 5.2.2 CWSN en árbol de clusters ........................................................................ 74 5.3 Métricas de desempeño ................................................................................... 78 Conclusiones y recomendaciones ............................................................................. 81 Análisis cuantitativo de las capas físicas de IEEE 802.15.4 ...................................... 85 A.1 Capa física IEEE 802.15.4 en 2400 MHz......................................................... 86 A.2 Capa PHY BPSK en 868/915 MHz .................................................................. 89 A.3 Capa PHY ASK en 868/915 MHz..................................................................... 89 A.4 Capa PHY O-QPSK en 868/915 MHz .............................................................. 90 A.5 Análisis de coexistencia ................................................................................... 92 A.5.1 Desempeño de coexistencia en la banda de 2400 MHz ............................ 92 Simulador de red NS-2 para el análisis de desempeño de IEEE 802.15.4................ 95 El método Levenberg-Marquardt para problemas de aproximación de curva utilizando mínimos cuadrados no lineales ................................................................................. 99.

(13) ix. C.1 El método de gradiente descendente ............................................................ 100 C.2 El método Gauss-Newton .............................................................................. 101 C.3 El método Levenberg-Marquardt ................................................................... 102 C.4 Implementación numérica ............................................................................. 103 C.5 Análisis de error............................................................................................. 103 Bibliografía .............................................................................................................. 105.

(14) x. Lista de tablas. Pág. Tabla 2.1. Capas físicas IEEE 802.15.4 ................................................................... 11 Tabla 5.2. Pesos y umbrales obtenidos para la red neuronal cuando no se presenta interferencia ............................................................................................................... 59 Tabla 5.3. Pesos y umbrales obtenidos para la red neuronal cuando se presenta interferencia ............................................................................................................... 61 Tabla 5.4. Pesos y umbrales obtenidos para la red neuronal PHY BPSK ................. 71 Tabla 5.5. Pesos y umbrales obtenidos para la red neuronal PHY ASK ................... 71 Tabla A.1. Máscara espectral de potencia en 802.11b............................................. 93 Tabla B.1. Desempeño de la tasa de entrega de paquetes en una red IEEE 802.15.4 .................................................................................................................................. 98.

(15) xi. Lista de figuras. Pág. Figura 2.1. WSN para el monitoreo de incendios en zonas forestales ....................... 8 Figura 2.2. Nodos y topologías de red ..................................................................... 10 Figura 2.3. Estructura de supertrama en IEEE 802.15.4 .......................................... 12 Figura 2.4. Ciclo de cognición .................................................................................. 14 Figura 2.5. Concepto de hueco de espectro ............................................................ 15 Figura 2.6. Modelo de una neurona ......................................................................... 18 Figura 2.7. Ejemplos de funciones de activación ..................................................... 19 Figura 3.1. Modelo conceptual de una CWSN ......................................................... 29 Figura 3.2. CWSN en estrella ................................................................................... 30 Figura 3.3. CWSN nodal........................................................................................... 30 Figura 3.4. Arquitectura nodo sensor ....................................................................... 31 Figura 3.5. Arquitectura nodo cabecera ................................................................... 32 Figura 3.6. Arquitectura nodo coordinador ............................................................... 33 Figura 4.1. Diagrama de flujo función de sensado ................................................... 37 Figura 4.2. Diagrama de flujo función de aprendizaje .............................................. 38 Figura 4.3. Diagrama de flujo función de control para selección de canal ............... 45 Figura 4.4. Diagrama de interacción función de control ........................................... 46 Figura 4.5. Motor de aprendizaje en CWSN ............................................................. 47 Figura 4.6. Red neuronal para caracterización de desempeño ................................ 40 Figura 4.7. Función de activación: a) tangsig, b) lineal ............................................ 40 Figura 5.1. Escenarios de operación motor de aprendizaje ..................................... 52.

(16) xii. Figura 5.2. Interacciones función de sensado ........................................................... 56 Figura 5.3. Interacciones función de aprendizaje ..................................................... 57 Figura 5.4. Interacciones función de razonamiento .................................................. 57 Figura 5.5. Caracterización del desempeño canales sin interferencia...................... 58 Figura 5.6. Caracterización del desempeño en presencia de una fuente 802.11b interferente ................................................................................................................ 60 Figura 5.7. Interacciones función de sensado .......................................................... 63 Figura 5.8. Interacciones función de aprendizaje ..................................................... 64 Figura 5.9. Interacciones función de razonamiento .................................................. 64 Figura 5.10. Interacciones función de sensado ........................................................ 68 Figura 5.11. Interacciones función de aprendizaje ................................................... 69 Figura 5.12. Interacciones función de razonamiento ................................................ 69 Figura 5.13. Caracterización del desempeño sin interferencia PHY ASK ................ 70 Figura 5.14. Caracterización del desempeño sin interferencia PHY BPSK .............. 71 Figura 5.15. Caracterización del desempeño PHY ASK en presencia de interferencia .................................................................................................................................. 73 Figura 5.16. Caracterización del desempeño PHY BPSK en presencia de interferencia ............................................................................................................... 74 Figura 5.17. Interacciones función de sensado ........................................................ 76 Figura 5.18. Interacciones función de aprendizaje ................................................... 77 Figura 5.19. Interacciones función de razonamiento ................................................ 77 Figura 5.20. Desempeño algoritmo de aprendizaje en el escenario selección de canal .......................................................................................................................... 79 Figura 5.21. Desempeño algoritmo de aprendizaje en para la capa PHY ASK ........ 79 Figura 5.22. Desempeño algoritmo de aprendizaje en para la capa PHY BPSK...... 80 Figura A.1. Modelo de simulación IEEE 802.15.4 capa física DSSS-OQPSK .......... 86 Figura A.2. Desempeño capa física O-QPSK IEEE 802.15.4 en la banda de 2400 MHz ........................................................................................................................... 88 Figura A.3. Modelo funcional de referencia capa PHY BPSK................................... 89 Figura A.4. Modelo funcional de referencia capa PHY ASK ..................................... 90 Figura A.5. Desempeño de error capas PHY IEEE 802.15.4 en la banda de 915 MHz .................................................................................................................................. 91 Figura A.6. Resultados de simulación desempeño de coexistencia ......................... 93 Figura B.1. Proceso de simulación IEEE 802.15.4/ZigBee 96.

(17) xiii. Lista de abreviaturas. ANN:. Red Neuronal Artificial, Artificial Neural Network.. AWGN:. Ruido Gaussiano Aditivo Blanco, Additive White Gaussian Noise.. ASK:. Modulación por Desplazamiento de Amplitud, Amplitude Shift Keying.. BER:. Tasa de Error de Bit, Bit Error Rate.. BPSK:. Modulación por Desplazamiento de Fase Binaria, Binary Phase Shift Keying.. CAP:. Periodo de Acceso por Contención, Contention Access Period.. CFP:. Periodo Libre de Contención, Contention-Free Period.. CR:. Radio Cognitivo, Cognitive Radio.. CRAHN:. Red de Radio Cognitivo Ad Hoc, Cognitive Radio Ad Hoc Networks.. CSMA-CA: Acceso Múltiple por Sensado de Portadora con Evasión de Colisión, Carrier Sense Multiple Access – Collision Avoided..

(18) xiv. CWSN:. Red de Sensores Inalámbrica Cognitiva, Cognitive Wireless Sensor Network.. DSSS:. Espectro Ensanchado de Secuencia Directa, Direct Sequence Spread Spectrum.. EA:. Algoritmo Evolutivo, Evolutionary Algorithm.. EC:. Computación Evolutiva, Evolutionary Computing.. ED:. Detección de Energía, Energy Detection.. EEC:. Códigos para Estimación de Error, Error Estimating Codes.. FFD:. Dispositivo de Función Completa, Full Function Device.. FL:. Lógica Difusa, Fuzzy Logic.. GA:. Algoritmo Genético, Genetic Algorithm.. GP:. Programación Genética, Genetic Programming.. GTS:. Intervalo de Tiempo Garantizado, Guaranteed Time Slot.. ISM:. Industrial, Científico y Médico, Industrial, Scientific and Medical.. LQI:. Indicación de Calidad de Enlace, Link Quality Indication.. LR-WPAN: Red de Área Personal Inalámbrica de Baja Tasa de Transferencia de Información, Low-Rate Wireless Personal Area Network. MAC:. Subcapa de Control de Acceso al Medio, Medium Access Control.. O-QPSK:. Modulación por Desplazamiento de Fase en Cuadratura Offset, Offset Quadrature Phase Shift Keying..

(19) xv. OSI:. Interconexión de Sistemas Abiertos, Open System Interconnection.. PHY:. Capa Física, Physical Layer.. PIB:. Base de Información de Red de Área Personal, PAN Information Base.. PN:. Pseudo-Ruido, Pseudo-Noise.. PSD:. Densidad Espectral de Potencia, Power Spectral Density.. PSSS:. Espectro Ensanchado de Secuencia Paralela, Parallel Sequence Spread Spectrum.. QoS:. Calidad de Servicio, Quality of Service.. RFD:. Dispositivo de Función Reducida, Reduced Function Device.. SDR:. Radio Definido por Software, Software Defined Radio.. SINR:. Relación Señal a Ruido más Interferencia, Signal to Interference and Noise Radio.. UML:. Lenguaje de Modelado Unificado, Unified Modeling Language.. WSN:. Red de Sensores Inalámbrica, Wireless Sensor Network..

(20)

(21) Capítulo 1 Introducción. Una red de sensores inalámbrica (WSN, Wireless Sensor Network) es una red de dispositivos, denominados nodos, que recogen información de variables físicas del ambiente donde se despliegan y la comunican a un nodo coordinador a través de enlaces inalámbricos. El nodo coordinador puede utilizar los datos recolectados localmente o transferirlos a una aplicación para que sean analizados y procesados por parte de los usuarios. Cada nodo está equipado con una unidad de procesamiento, una interfaz de comunicación inalámbrica, así como sensores y/o actuadores. Las aplicaciones de una WSN son muy diversas, pueden citarse por ejemplo, el monitoreo ambiental, la automatización, la salud, y la seguridad, entre otras. Una WSN dispone de recursos limitados: potencia, memoria y capacidades de procesamiento, esto se debe a que la mayoría de los nodos operan a partir de baterías, y muchas veces en lugares donde no es fácil restituirlas, y por lo tanto se espera que duren por tiempos prolongados. El rango de alcance de los nodos es relativamente corto, alrededor de decenas de metros, así que para dar cubrimiento a espacios mayores, los nodos transmiten los datos recolectados utilizando múltiples saltos, dando lugar a diversas topologías de red, entre ellas en estrella y nodales. La comunicación entre los nodos se realiza mediante enlaces inalámbricos, definidos a partir de canales de radiofrecuencia, por lo general de poco ancho de banda, y asignados en bandas de frecuencia compartidas con otras tecnologías y estándares de comunicación. Esto hace que los enlaces de radio varíen en tiempo y espacio,.

(22) 2. Introducción. donde el ruido e interferencia pueden comprometer el desempeño en la transmisión y recepción de los datos. De esta manera, es necesario que las WSNs dispongan de cierto grado de cognición que les permita ser conscientes de su ambiente de radio y se adapten a él con el fin de lograr una comunicación más confiable. Es decir, puedan usar de forma eficiente los recursos disponibles: espectro y potencia. El concepto de radio cognitivo (CR, Cognitive Radio) fue definido como un mecanismo que proporciona cierta inteligencia a los dispositivos, de tal manera que puedan ser conscientes de su ambiente de radio, tomen decisiones de acuerdo a las medidas realizadas y ajusten sus parámetros de operación para adaptarse a las condiciones actuales y así presenten un mejor desempeño. CR es una tecnología prometedora para manejar el problema del uso del espectro radioeléctrico, el cual en la actualidad es escaso debido a la gran proliferación de tecnologías inalámbricas. Para ello, el mecanismo de cognición identifica huecos de espectro disponibles en bandas licenciadas y los utiliza de forma oportunista, desde luego sin crear dificultad alguna a los usuarios licenciados cuando éstos requieran el uso del canal; o en un contexto de uso compartido de espectro, identifica el mejor canal disponible para su uso y así lograr un mejor desempeño en la transmisión de los datos. Una WSN que utilice mecanismos de cognición con el fin de mejorar su desempeño puede ser vista como una red de sensores inalámbrica cognitiva (CWSN, Cognitive Wireless Sensor Network), es decir una red que sea consciente de su ambiente y realice cambios adaptativos a su modo de operación, o utilice espacios blancos de frecuencia de forma oportunista. Esta tesis propone un modelo de red de sensores inalámbrica cognitiva que incorpore los mecanismos de cognición: sensado, aprendizaje y razonamiento; y permita la selección dinámica de canal o de capa física y así lograr un mejor desempeño en la transmisión y recepción de los datos. Así mismo el diseño de un motor de aprendizaje que los implemente, centrando esfuerzos en el nivel físico del modelo de referencia de interconexión de sistemas abiertos (OSI, Open System Interconnection). La metodología empleada es una metodología de diseño de sistema, donde se especificaron los componentes de una CWSN, se definió su funcionamiento, y se.

(23) 1.1 Justificación de la tesis. 3. analizaron a partir de dos escenarios de aplicación: 1) la selección de canales de radio con menor ruido e interferencia, para un esquema de uso compartido de la banda de operación, y 2) la selección de capas físicas para logra un mejor desempeño de error. Se ha especificado con suficiente detalle una CWSN y se ha diseñado un motor de aprendizaje utilizando redes neuronales con alimentación hacia delante para la caracterización de desempeño. La valoración del desempeño del motor de aprendizaje se realizó mediante simulación utilizando Matlab.. 1.1 Justificación de la tesis Generalmente las redes de sensores inalámbricas operan en bandas no licenciadas donde coexisten con otras tecnologías inalámbricas, y por ende el espectro de radio es más escaso y con mayores niveles de ruido e interferencia. Si los nodos de una WSN disponen de ciertas funcionalidades de cognición: sensado, aprendizaje y razonamiento, pueden determinar el canal con menor nivel de ruido e interferencia y utilizarlo para realizar la transmisión y recepción de datos; este proceso puede ser dinámico permitiéndole a la red de sensores mantener un desempeño deseado. En la actualidad, radio cognitivo está en una fase naciente, y las comunidades científica y académica se encuentran realizando diferentes investigaciones con el fin de establecer su viabilidad, estructura y métodos que implementará. Por lo tanto, los resultados alcanzados en este proyecto constituyen bases de diseño que pueden ser de interés, y pueden permitir la formulación de nuevos proyectos de investigación y desarrollo, tanto al interior de la Facultad de Ingeniería Electrónica y Telecomunicaciones como hacia el exterior. Es pertinente pensar que la incorporación de cognición en una WSN involucre la posibilidad de utilizar técnicas de inteligencia artificial que permitan lograr dicha cognición. En esta tesis se estudia la posibilidad de utilizar redes neuronales para el diseño del motor de aprendizaje, en especial como mecanismo para caracterizar el desempeño de error en la transmisión y recepción de datos, y así tomar decisiones más aproximadas a las condiciones reales del ambiente de radio y desempeño a nivel físico que mejore la operación de la WSN. Los resultados logrados son.

(24) 4. Introducción. importantes para establecer la factibilidad del uso de estos métodos y su alcance en el contexto de radio cognitivo.. 1.2 Contribución de la tesis El presente estudio tiene un significado importante en el avance de las redes de sensores inalámbricas cognitivas, plantea un modelo de red que cubre las funciones definidas en radio cognitivo y demuestra cómo puede implementarse utilizando redes neuronales como técnica de inteligencia artificial. Los resultados de este trabajo contribuyen al estudio y desarrollo de temáticas de interés en el Departamento de Telecomunicaciones de la FIET, y contribuyen a generar visibilidad de su que hacer a nivel nacional, mediante la divulgación de los resultados alcanzados que se hagan de este proyecto. Se elaboraron dos artículos científicos para objeto de publicación de los resultados alcanzados en esta Tesis, los cuales fueron arbitrados y recibieron su aprobación en: 1) I Seminario Taller Latinoamericano de Instrumentación, Control y Telecomunicaciones (SICOTEL2012), ISBN 978-958-46-0496-5, organizado por la Universidad del Quindío, artículo: “Modelo de Redes de Sensores Inalámbricas Cognitivas”; y 2) Revista Entre Ciencia e Ingeniería, de la Universidad Católica de Pereira, ISSN 1909-8367, artículo: “Selección Dinámica de Canal en IEEE 802.15.4 utilizando Redes Neuronales Artificiales”.. 1.3 Organización de la tesis El documento se encuentra organizado de la siguiente manera: Capítulo 1. Introducción Capítulo 2. Marco teórico Capítulo 3. Modelo de redes de sensores inalámbricas cognitivas.

(25) 1.3 Organización de la tesis. 5. Capítulo 4. Mecanismo de aprendizaje en redes de sensores inalámbricas cognitivas Capítulo 5.. Escenarios de operación del motor de aprendizaje y métricas de. desempeño Conclusiones y recomendaciones Anexo A. Análisis cuantitativo de las capas físicas de IEEE 802.15.4 Anexo B. Simulador de red NS-2 para el análisis de desempeño de IEEE 802.15.4 Anexo C. El método Levenberg-Marquardt para problemas de aproximación de curva utilizando mínimos cuadrados no lineales.

(26)

(27) Capítulo 2 Marco teórico. Este capítulo presenta una descripción de los fundamentos teóricos de las tecnologías estudiadas en esta tesis: redes de sensores inalámbricas, radio cognitivo y técnicas de inteligencia artificial.. 2.1 Redes de sensores inalámbricas Una red de sensores inalámbrica (WSN, Wireless Sensor Network) es una red de dispositivos, denominados nodos, que recogen información de variables físicas del ambiente donde se despliegan y la comunican a un nodo coordinador a través de enlaces inalámbricos. Una WSN puede ser utilizada para diferentes aplicaciones, tales como vigilancia y seguridad, monitoreo y protección del ambiente, monitoreo y cuidado de la salud, y automatización doméstica, entre otras (Briasco et al., 2006). Los sensores utilizados pueden ser de diferentes tipos, tales como sísmicos, magnéticos, térmicos, visuales, infrarrojos, acústicos, de radar, etc., y permiten monitorean una amplia variedad de condiciones ambientales entre las que se incluyen temperatura, humedad, movimiento vehicular, condiciones de luminosidad, presión, niveles de ruido, presencia o ausencia de cierta clase de objetos, niveles de fortaleza mecánica de objetos, o dirección, velocidad y tamaño de un objeto, entre otras. Además, pueden realizar un sensado continuo, detectar e identificar eventos, determinar ubicaciones, y realizar control local a través de actuadores. El patrón de.

(28) 8. Marco teórico. interacción entre los nodos puede ser uno a muchos, muchos a muchos o muchos a uno, y además pueden ser móviles (Mottola & Picco, 2006). Por ejemplo, algunas aplicaciones ambientales de las redes de sensores incluyen el seguimiento y registro de los movimientos de aves, animales pequeños e insectos; el monitoreo de las condiciones ambientales que afectan las plantas y los animales; la irrigación; macro-instrumentos para el monitoreo de la tierra en gran escala y exploración del planeta; detección química/biológica; agricultura de precisión; monitoreo biológico, de la tierra y ambiental en el campo marino, terreno y atmosférico; detección de incendios forestales; investigación meteorológica o geofísica; detección de avalanchas; y estudio de polución (Akyildiz, 2002). La figura 2.1 muestra un ejemplo típico de la aplicación de una WSN, en este caso los nodos sensores toman datos de contaminación o incendios en una amplia zona de recursos forestales, y comunican estos datos a una estación central para que sean monitoreados por los usuarios.. Figura 2.1. WSN para el monitoreo de incendios en zonas forestales. Los nodos sensores realizan procesamientos de propósito general y de red, además de las tareas de sensado específicas de la aplicación; pueden ser desplegados en.

(29) 2.1 Redes de sensores inalámbricas. 9. áreas densas ampliamente separadas mediante el agrupamiento de nodos sensores, clusters, coordinados por un nodo cabecera. Los nodos sensores transmiten sus datos a través de enlaces inalámbricos a la cabecera de cluster y ésta los comunica al nodo coordinador de la red o nodo sumidero; este nodo provee conectividad cableada o inalámbrica para que los usuarios monitoreen, analicen los datos recogidos y puedan tomar acciones de control en caso de ser necesarias. El principal esfuerzo de estandarización en WSNs es la tecnología inalámbrica IEEE 802.15.4 (IEEE, 2006), la cual define una red de área personal inalámbrica de baja tasa de transferencia de información (LR-WPAN, Low-Rate Wireless Personal Area Network), y se caracteriza por su operación en las bandas de frecuencia para uso industrial, científico y médico (ISM, Industrial, Scientific and Medical), soporte para dispositivos de función completa (FFD, Full Function Devices) y de función reducida (RFD, Reduced Function Devices), bajo consumo de potencia, auto-organización, y conformación de topologías flexibles. Una LR-WPAN IEEE 802.15.4 puede operar en dos topologías básicas: en estrella y par a par. En la topología en estrella la comunicación se establece entre dispositivos FFD o RFD y un único controlador central, llamado el coordinador de la red de área personal. Un dispositivo RFD o FFD típicamente tiene alguna aplicación asociada y es el punto de inicio o terminación para las comunicaciones de red, mientras el nodo coordinador puede también tener una aplicación específica, pero además es responsable del inicio, enrutamiento y finalización de la comunicación en la red, y por lo tanto puede contar con suministro continuo de potencia, mientras que los dispositivos RFD o FFD asociados probablemente usarán baterías. Por su parte, la topología par a par también tiene un coordinador de red de área personal, sin embargo, se diferencia de la topología en estrella en que cualquier dispositivo puede comunicarse con los demás, siempre y cuando se encuentren en el mismo espacio de operación. Esta topología permite la conformación de redes más complejas, tales como las de árbol de clusters, y en malla. Una red par a par puede ser ad hoc, auto-organizada, auto-mejorada y puede permitir la comunicación a partir de múltiples saltos, es decir mediante el reenvío de mensajes de un nodo a otro. La figura 2.2 muestra ejemplos de estas topologías..

(30) 10. Marco teórico. Figura 2.2. Nodos y topologías de red. Las capas físicas de IEEE 802.15.4 operan en tres bandas no licenciadas y emplean técnicas de espectro ensanchado. IEEE 802.15.4 especifica un total de 27 canales half-duplex distribuidos en las tres bandas de frecuencia y se organizan así: 1) Banda de 868 MHz: un solo canal con tasa de datos de 20 kbps, -92 dBm de sensibilidad en recepción y rango de transmisión ideal aproximadamente igual a 1 km; 2) Banda de 915 MHz: 10 canales de 40 kbps, sensibilidad y rango igual al anterior; y 3) Banda ISM 2.4 GHz: 16 canales de 250 kbps, sensibilidad requerida de -85 dBm y rango de transmisión ideal de 220 m. El rango de transmisión ideal es calculado considerando que, aunque cualquier potencia aceptable legalmente es permitida, los dispositivos que cumplan con IEEE 802.15.4 deben ser capaces de transmitir a -3 dBm. Además, los dispositivos que cumplan con el estándar, con el fin de usar la energía de forma eficiente, permanecen activos únicamente durante un tiempo corto. IEEE 802.15.4 especifica la capa física (PHY, Physical Layer) y la subcapa de control de acceso al medio (MAC, Medium Access Control) de la pila de protocolos de OSI. Las funciones de la capa PHY son: activación y desactivación del transmisor y receptor de radio, detección de energía en el canal actual, indicación de calidad de enlace para tramas recibidas, percepción de canal libre, selección de la frecuencia del canal y, transmisión y recepción de los datos. Las funciones de la subcapa MAC son: generación de paquetes de sincronización (denominados beacons), soporte para asociación y des-asociación de red, acceso al canal y, provisión de enlace confiable entre dos entidades MAC..

(31) 2.1 Redes de sensores inalámbricas. 11. IEEE 802.15.4 define cuatro capas PHY: •. Capa PHY de espectro ensanchado de secuencia directa (DSSS, Direct Sequence Spread Spectrum) en 868/915 MHz que emplea modulación por desplazamiento de fase binaria (BPSK, Binary Phase Shift Keying).. •. Capa PHY de DSSS en 868/915 MHz que emplea modulación por desplazamiento de fase en cuadratura offset (O-QPSK, Offset Quadrature Phase Shift Keying).. •. Capa PHY de espectro ensanchado de secuencia paralela (PSSS, Parallel Sequence Spread Spectrum) en 868/915 MHz que emplea BPSK y modulación por desplazamiento de amplitud (ASK, Amplitude Shift Keying).. •. Capa PHY DSSS en 2450 MHz que emplea modulación O-QPSK.. La tabla 2.1, tomada de (IEEE, 2006) presenta las bandas de frecuencia y las tasas de datos de las capas PHY de IEEE 802.15.4. También, en el anexo A se presenta un análisis cuantitativo de las capas físicas del estándar de comunicación IEEE 802.15.4, este análisis será utilizado para caracterizar el desempeño de las capas físicas como se verá en los capítulos siguientes. Tabla 2.1. Capas físicas IEEE 802.15.4 PHY (MHz). Frec. (MHz). Tasa de chip (kchip/s). Modulación. Tasa de bit (kb/s). Tasa de símb. (ksymbol/s). Símbolos. 868/915. 868-868.6 902-928. 300 600. BPSK BPSK. 20 40. 20 40. Binarios Binarios. 868/915 (opcional). 868-868.6 902-928. 400 1600. ASK ASK. 250 250. 12.5 50. PSSS 20 bit PSSS 5 bit. 868/915 (opcional). 868-868.6 902-928. 400 1000. O-QPSK O-QPSK. 100 250. 25 62.5. 16 est. ort. 16 est. ort.. 2450. 24502483.5. 2000. O-QPSK. 250. 62.5. 16 est. ort..

(32) 12. Marco teórico. Con respecto a la capa MAC, IEEE 802.15.4 usa un protocolo basado en el algoritmo de acceso múltiple con sensado de portadora y evasión de colisiones (CSMA-CA, Carrier Sense Multiple Access – Collision Avoided), el cual requiere sensar el canal antes de transmitir para reducir la probabilidad de colisiones con otras transmisiones en curso. El estándar define dos modos de operación diferentes: uno donde se utilizan beacons para sincronización y otro donde no. En el modo de operación sin transmisión de beacons, los nodos usan el protocolo CSMA-CA sin intervalo de tiempo para acceder al canal y transmitir sus paquetes. El algoritmo se implementa usando unidades de tiempo llamadas periodos de backoff. Primero, cada nodo retardará cualquier actividad para un número aleatorio de periodos de backoff, después de este retardo, se sensa el canal durante una unidad de tiempo y si el canal está libre, el nodo inmediatamente inicia la transmisión. De lo contrario, el nodo entra nuevamente al estado de backoff. Existe un número máximo de veces que el nodo puede tratar de acceder al canal, cuando se alcanza este número máximo, el algoritmo finaliza y la transmisión no ocurre.. Figura 2.3. Estructura de supertrama en IEEE 802.15.4. Por su parte, en el modo de operación con transmisión de beacons, el acceso al canal es gestionado a través de una supertrama, cuya estructura se muestra en la figura 2.3. Una supertrama inicia con un paquete de sincronización transmitido por el coordinador de la red de área personal inalámbrica. Esta puede estar dividida en dos partes, una activa y otra inactiva. La parte inactiva permite que los nodos vayan al.

(33) 2.2 Radio cognitivo. 13. modo de bajo consumo de energía. A su vez, la parte activa está dividida en dos subpartes, el periodo de acceso por contención (CAP, Contention Access Period) y el periodo libre de contención (CFP, Contention-Free Period), compuesto de intervalos de tiempo garantizados (GTSs, Guaranteed Time Slots) que pueden ser asignados por el nodo controlador a nodos específicos.. 2.2 Radio cognitivo De acuerdo a Haykin (2005), un dispositivo de radio cognitivo (CR, Cognitive Radio), soportado por un radio definido por software (SDR, Software Defined Radio), es un sistema de comunicación inalámbrico inteligente que es consciente de su ambiente, puede aprender de la experiencia y puede hacer cambios a ciertos parámetros de operación (potencia de transmisión, frecuencia portadora y esquema de modulacióncodificación, entre otros) para adaptarse en tiempo real a los estímulos de radiofrecuencia presentes en el ambiente. El principal objetivo de un CR es tener comunicaciones confiables haciendo un uso eficiente del espectro de radio para satisfacer las necesidades del usuario (Baldo, 2008). El concepto de radio cognitivo fue definido originalmente por el Dr. Mitola (1999a), y es descrito a partir del ciclo de cognición (Mitola, 1999b) que se muestra en la figura 2.4, En él, un radio recibe información acerca de su ambiente de operación (Mundo exterior) a través de la observación directa o a través de señalización (Observa), esta información se evalúa (Orienta) para determinar su importancia. De acuerdo a esta evaluación, el radio determina sus alternativas (Planea) y selecciona una alternativa (Decide) en una manera que presumiblemente podría mejorar los resultados de la evaluación. Asumiendo que fue necesario un cambio en la forma de onda, el radio implementa la alternativa (Actúa) ajustando sus recursos y realizando la señalización apropiada. Estos cambios se reflejan en el perfil de interferencia presentado por el radio cognitivo en el mundo exterior. Como parte de este proceso, el radio usa estas observaciones y decisiones para mejorar la operación del radio (Aprende), quizá creando nuevos estados de modelado, generando nuevas alternativas, o creando nuevas evaluaciones..

(34) 14. Marco teórico. Figura 2.4. Ciclo de cognición Chapin & Doyle (2007) describen tres tipos de radios cognitivos: CR básico, CR de razonamiento y CR de aprendizaje. Un CR básico es un sistema radio que sensa y se adapta al ambiente pero no necesariamente incluye alguna técnica de razonamiento o aprendizaje. Este medirá todos los canales disponibles y seleccionará un canal con el ruido y nivel de interferencia más bajo. Un CR de razonamiento es una mejora del CR básico el cual puede determinar automáticamente los límites legales de operación en un esquema de uso compartido de espectro. El CR de aprendizaje dispone de información de realimentación actualizada para la toma de decisiones. El objetivo final de un CR es obtener el mejor espectro disponible a través de funciones cognitivas y la capacidad de reconfiguración de los nodos de radio. Dado que la mayoría del espectro ya ha sido asignado, el reto más importante es compartir el espectro licenciado sin interferir con la transmisión de otros usuarios licenciados como se ilustra en la figura 2.5 (Akyildiz, 2009). El CR permite el uso de espectro no utilizado temporalmente, el cual es referido como hueco de espectro o espacio blanco (Haykin, 2005). Si esta banda es posteriormente utilizada por un usuario.

(35) 2.2 Radio cognitivo. 15. licenciado, el radio cognitivo se mueve a otro hueco de espectro o se mantiene en la misma banda, alterando su estrategia de transmisión para evitar interferencia.. Figura 2.5. Concepto de hueco de espectro. La noción de radio cognitivo puede ser extendida a redes de radio cognitivo. Para Haykin (2007a, b), una red de radio cognitivo es un sistema de comunicación inalámbrico multiusuario inteligente con las siguientes habilidades: 1) Sensar el ambiente de radio para ser consciente de él; 2) Aprender del ambiente y realizar adaptaciones en respuesta a sus variaciones; 3) Facilitar la comunicación entre múltiples usuarios de una manera auto-organizada; 4) Controlar los recursos de comunicación entre los múltiples usuarios; y 5) Crear la experiencia de intención y auto-percepción. Dos aproximaciones alternativas para construir una red de radio cognitiva de acuerdo a Chapin & Doyle (2007) incluyen lo siguiente: 1) Usar un canal licenciado fuera de banda como canal común dedicado disponible para todos los usuarios, esta aproximación tienen como desventaja que el canal común desempeña un rol similar a las estaciones base, incrementando el costo en el uso de recursos y siendo un elemento vulnerable en el sistema; y 2) Explotar el principio de redes autoorganizadas para construir una red Ad Hoc..

(36) 16. Marco teórico. Sin embargo, las redes de radio cognitivo imponen retos únicos debido a la escasez y variación del espectro disponible, así como a los diversos requisitos de calidad de servicio (QoS, Quality of Service) que aplicaciones actuales pueden demandar (Akyildiz, 2006). Especialmente, en redes de radio cognitivo ad hoc (CRAHNs, Cognitive Radio Ad Hoc Networks), la arquitectura multi-salto distribuida, la topología de red dinámica, y la variación de disponibilidad de espectro en tiempo y lugar son algunos de los factores clave que la distinguen. Estos retos necesitan técnicas de diseño novedosas que simultáneamente consideren un amplio rango de problemas de comunicación abarcando varias capas de la pila de protocolos (Akyildiz, 2009). Radio cognitivo extiende las funcionalidades de un radio definido por software. La tecnología SDR permite que algunas o todas las funciones de la capa física sean definidas por software (SDR Forum, 2008), brindándole mayor flexibilidad. SDR puede considerarse como una arquitectura abierta, la cual crea una plataforma de comunicación mediante la interconexión de bloques de construcción estandarizados (Haghighat, 2002). En CR, el radio software obtiene los parámetros de radio y las estadísticas, que permiten lograr la percepción del estado interno y el ambiente de radio, necesarias para el aprendizaje, generación de alternativas y toma de decisiones del motor de radio cognitivo; y además realiza la reconfiguración necesaria de acuerdo a las decisiones de adaptabilidad del CR.. 2.3 Técnicas de inteligencia artificial En esta sección se presenta una introducción a diferentes técnicas de inteligencia artificial: redes neuronales artificiales, computación evolutiva y lógica difusa, las cuales han sido diseñadas para, en cierto sentido, emular el funcionamiento de sistemas biológicos.. 2.3.1 Redes neuronales artificiales De acuerdo a Haykin (1999), las redes neuronales artificiales (ANNs, Artificial Neural Networks) son estructuras de computación alternativas, creadas con el propósito de reproducir las funciones del cerebro humano. Las neuronas naturales reciben señales electroquímicas de otras neuronas a través de las uniones sinápticas que.

(37) 2.3 Técnicas de inteligencia artificial. 17. conectan el axón de las neuronas emisoras y las dendritas de las receptoras. De acuerdo a los impulsos recibidos, la neurona computa y envía su propia señal. El potencial interno asociado es el que controla el proceso de emisión, si se supera un cierto umbral, se envía un impulso eléctrico al axón, en caso contrario no se envía. Las ANNs están constituidas por un conjunto de neuronas, unidades de procesamiento de información, dispuestas en varias capas e interconectadas entre sí mediante conexiones con pesos, las cuales realizan cálculos simples basados en la información que reciben de neuronas vecinas. Las ANNs usan un proceso de aprendizaje por analogía donde los pesos de las conexiones se ajustan automáticamente para reproducir un conjunto de patrones representativo del problema a aprender. La organización y forma de conexión de las neuronas permiten definir diferentes arquitecturas de redes, dependiendo de la presencia de una sola capa o múltiples capas, y la existencia o no de lazos de realimentación. Una breve reseña histórica en este campo, destaca a McCulloch y Pitts (1943) quienes definieron algunos conceptos sobre el funcionamiento de las neuronas biológicas. Hebb (1949) definió la base del aprendizaje Hebbiano, a partir de la formulación de diferentes especulaciones fisiológicas. Rosenblatt (1957) construyó modelos neuronales, los cuales posteriormente generaron el concepto de Perceptrón. Widrow (1959) diseñó la red neuronal de elementos lineales adaptativos, o Adaline. Widrow y Hoff (1960), probaron matemáticamente que en determinadas circunstancias el error entre la salida deseada para la red y la obtenida por ella ante una entrada determinada podía ser minimizado hasta el límite que se desee. Minsky y Pappert (1969) publicaron el libro Perceptrones, el cual mostró las limitaciones del perceptrón desarrollado por Rosenblatt, en cuanto a su condición de separabilidad lineal. Después de varios años de recesión en el desarrollo de las ANNs, John Hopfield (1982) mostró que tienen el potencial para una operación exitosa, y propuso cómo podría ser desarrollado, esto marcó el reinicio de las investigaciones en este campo. Posteriormente, Rumelhart, Hinton y Willians (1986), presentaron el algoritmo de retropropagación de error, y desde entonces han ganado una posición importante en las técnicas de inteligencia artificial y han sido utilizadas en muchas aplicaciones prácticas..

(38) 18. Marco teórico. La figura 2.6 muestra el modelo de una neurona (Haykin, 1999), donde se identifican tres elementos básicos: 1) un conjunto de sinapsis o enlaces de conexión, cada uno de los cuales es caracterizado por un peso o ponderación; 2) las señales de entrada, las cuales se ponderan por las sinapsis respectivas de la neurona y se combinan linealmente; y 3) una función de activación que limita la amplitud de la señal de salida de la neurona, típicamente en el intervalo 0, 1 o alternativamente en −1, 1 . Este , que tiene el efecto de. modelo también incluye un umbral aplicado externamente,. incrementar o disminuir la señal de entrada a la función de activación, dependiendo si su valor es positivo o negativo, respectivamente.. Figura 2.6. Modelo de una neurona. En términos matemáticos, se puede describir la neurona. mediante las ecuaciones. 2.1 y 2.2. =∑ = Donde. ,. ,. …,. Diferentes. +. (2.2). son las señales de entrada;. sinápticos de la neurona ; es el umbral;. (2.1). ,. …,. son los pesos. es la combinación lineal de las señales de entrada;. ∙ es la función de activación; y. funciones. ,. pueden. ser. utilizadas. es la señal de salida de la neurona. como. función. de. activación,. preferiblemente aquellas que son derivables en todo punto y son acotadas por abajo y arriba. La figura 2.7 presenta las funciones de activación: a) Threshold, b) lineal acotada, y c) sigmoidal..

(39) 2.3 Técnicas de inteligencia artificial. 19. Figura 2.7. Ejemplos de funciones de activación. En una ANN el aprendizaje permite obtener los valores precisos de los pesos de las conexiones neuronales de tal manera que la red pueda resolver un problema específico de forma eficiente. El proceso general de aprendizaje consiste en ir facilitando a la red de ejemplos de un conjunto de aprendizaje representativo del problema a resolver y modificando los pesos de sus conexiones en base a un determinado esquema de aprendizaje. El aprendizaje se basa en el uso de ejemplos, por lo que la capacidad de una red para resolver un problema está ligada de forma fundamental al tipo y representatividad de los ejemplos de que dispone en el proceso de aprendizaje. Generalmente, el proceso de aprendizaje es un proceso cíclico. La finalización de este proceso se realiza en función de un criterio de convergencia, que depende del tipo de red utilizada o del tipo de problema a resolver. Así, el periodo de aprendizaje finaliza cuando se alcanza un número fijo de ciclos de aprendizaje, el error desciende de una cantidad preestablecida o cuando la modificación de los pesos sea irrelevante. Se distinguen tres tipos principales de esquemas de aprendizaje: supervisado, no supervisado y por refuerzo, y existe un gran número de métodos de aprendizaje. El algoritmo de retropropagación del error o backpropagation propuesto por Rumelhart (1986) fue el primer algoritmo importante para redes multicapa con alimentación hacia delante. La idea principal de este algoritmo es modificar gradualmente los pesos de la red en la dirección que le indica el gradiente descendente de los pesos respecto a la función de error. A pesar de que este algoritmo es una aproximación.

(40) 20. Marco teórico. muy útil para el aprendizaje en este tipo de redes, plantea dos inconvenientes de importante consideración que se describen a continuación (Pérez, 2010): •. Velocidad de convergencia lenta. De manera general, los algoritmos de aprendizaje basados en gradiente descendente presentan una convergencia lenta hacia la solución. Este hecho es debido a que el algoritmo de aprendizaje avanza muy lentamente en aquellas regiones de la superficie de error en las que sus derivadas son prácticamente nulas. Esta situación es crítica en las mesetas de la función de error.. •. La convergencia hacia el mínimo global no está garantizada. La minimización de la función de error es la que dirige el aprendizaje de la red. De manera general, los algoritmos de aprendizaje utilizan solamente información del estado actual para llevar a cabo tal minimización. Esto ocurre en el método de retropropagación del error. El problema que se plantea es consecuencia de los mínimos locales que puede presentar la función a optimizar. Si el estado inicial de la red, determinado por los valores iniciales asignados a los pesos, están en el área de atracción de un mínimo local de la función entonces el algoritmo se verá atraído por éste.. Con el objeto de resolver los problemas que se acaban de describir, a lo largo de los años se han planteado y desarrollado diferentes alternativas (Pérez, 2010). Entre ellas: modificaciones del algoritmo estándar, mejoras en la función de error, métodos basados en mínimos cuadrados y métodos de segundo orden, los cuales emplean las segundas derivadas de la función de error para incrementar la velocidad de convergencia. Los métodos de segundo orden se encuentran entre los algoritmos de aprendizaje más rápidos. Como ejemplos relevantes de este tipo de métodos se pueden mencionar: Levenberg-Marquardt y quasi-Newton. El método de LevenbergMarquardt combina el gradiente y la aproximación de Gauss-Newton de la hessiana de la función del error en la regla de actualización de los pesos. La influencia de cada término viene determinada por un parámetro que se actualiza automáticamente. Los métodos quasi-Newton, al igual que el método de Newton, utilizan una aproximación local cuadrática de la función de error pero aplican una aproximación de la inversa de la matriz hessiana (Madsen et al., 2004)..

(41) 2.3 Técnicas de inteligencia artificial. 21. 2.3.2 Computación evolutiva La computación evolutiva (EC, Evolutionary Computing) (Engelbrecht, 2007) está compuesta por diferentes algoritmos que se basan en la evolución de una población hacia una solución de cierto problema, y típicamente son utilizados para la optimización de funciones multi-dimensionales. La población de posibles soluciones evoluciona de una generación a la siguiente, hasta que lleguen a una solución aceptable. Entre estos algoritmos se tienen: algoritmos genéticos (GAs, Genetic Algorithms), programación genética (GP, Genetic Programming) y algoritmos evolutivos (EAs, Evolutionary Algorithms). Un GA se implementa como un procedimiento de búsqueda computarizada y optimización que usa los principios genéticos y de selección natural. Por lo general, un GA incluye tres operaciones genéticas fundamentales: selección, cruzamiento y mutación, utilizadas para modificar las soluciones y seleccionar los individuos más apropiados para que existan en generaciones siguientes. Los GAs son un procedimiento iterativo que consiste de una población de individuos limitada en tamaño, cada uno representado por una cadena de símbolos finita (genoma) que codifica una posible solución en un espacio de problema dado. La programación genética es una implementación especial de GAs, que usa material genético jerárquico no limitado en tamaño, los miembros de una población o cromosomas son programas en estructura de árbol y los operadores genéticos trabajan sobre las ramas de éstos árboles. Por su parte los algoritmos evolutivos no requieren separación entre espacios de recombinación y evaluación, además los operadores genéticos trabajan directamente sobre la estructura actual.. 2.3.3 Lógica difusa La lógica difusa (FL, Fuzzy Logic) (Zadeh, 1975) fue desarrollada para representar conocimiento no cierto e impreciso, provee un medio aproximado pero efectivo de describir el comportamiento de los sistemas que son muy complejos, poco definidos o cuyo análisis matemático no es simple. FL es una lógica de razonamiento aproximado, con las siguientes características: 1) los valores de verdad difusos se expresan en términos lingüísticos, por ejemplo: verdad, absolutamente verdad, más o menos verdadero, no verdadero, falso y completamente falso; 2) tablas de verdad.

(42) 22. Marco teórico. imprecisas; y 3) reglas de inferencia cuya validez es más bien aproximada que exacta. Diferente a los conjuntos clásicos, los elementos de un conjunto difuso tienen grados de pertenencia a ese conjunto. El grado de pertenencia a un conjunto difuso indica la certidumbre (o incertidumbre) que ese elemento tiene en ese conjunto. Formalmente, sea X el dominio, o universo de discurso, y x ϵ X un elemento específico del dominio X. Entonces el conjunto difuso A es caracterizado por la función de relación de pertenencia 2.3: : Por lo tanto, para todo x ϵ X,. → 0, 1. (2.3). indica la certidumbre para la cual el elemento x. pertenece al conjunto difuso A. Para conjuntos de dos valores,. es 0 ó 1.. Los conjuntos difusos pueden ser definidos para dominios discretos (finitos) o continuos (infinitos). La notación usada para denotar conjuntos difusos es diferente de acuerdo al tipo de dominio sobre el cual ese conjunto es definido. En el caso de un dominio discreto X, el conjunto difuso puede ser expresado en la forma del vector "# -dimensional 2.4, $=%. &. ⁄. &. |. &. ∈ , * = 1, … , "# +. (2.4). O como en 2.5 usando notación de sumatoria, $=. ⁄. +. ⁄. + ⋯+. -. .. -. = ∑& -. &. ⁄. &. (2.5). Donde la suma no debe ser confundida con la suma algebraica. El uso de la notación de suma sirve como una indicación que A es un conjunto de pares ordenados. Un conjunto difuso continuo, A, es denotado en 2.6: $ = /0. ⁄. Nuevamente, la notación de integral no debe ser interpretada algebraicamente.. (2.6).

(43) 2.3 Técnicas de inteligencia artificial. 23. Las funciones de pertenencia son la esencia de los conjuntos difusos. Una función de pertenencia, también denominada función característica del conjunto difuso, define el conjunto difuso. La función es usada para asociar un grado de pertenencia a cada uno de los elementos del dominio del correspondiente conjunto difuso. Las funciones de pertenencia para conjuntos difusos pueden ser de cualquier forma o tipo según lo determinado por expertos en el dominio sobre el cual los conjuntos son definidos. Las funciones de pertenencia deben satisfacer las siguientes restricciones: •. Una función de pertenencia debe ser limitada abajo por 0 y arriba por 1.. •. El rango de una función de pertenencia debe ser por lo tanto [0, 1]. •. Para cada. ∈ ,. debe ser única. Esto es, el mismo elemento no puede. mapear diferentes grados de pertenencia para el mismo conjunto difuso. Entre conjuntos difusos se definen diferentes operadores difusos, tales como igualdad de conjuntos difusos, conjuntos difusos contenidos, complemento de un conjunto difuso, intersección de conjuntos difusos y operador producto, entre otros. Un controlador difuso puede ser visto como una función estática no lineal que mapea entradas del controlador a salidas del mismo. Es usado para controlar algún sistema, o planta. El sistema tiene una repuesta deseada que debe ser mantenida ante las entradas que sean recibidas. Las entradas al sistema pueden cambiar el estado del sistema lo cual causa un cambio en la respuesta. La tarea del controlador es tomar la acción correctiva dando un conjunto de entradas que aseguran la respuesta deseada. El diseño de un controlador difuso involucra los siguientes aspectos: un universo de discurso debe ser definido, y los conjuntos difusos y funciones de pertenencia para los espacios de entrada y salida tienen que ser diseñados. Con la ayuda de un experto humano, se definen las reglas lingüísticas que describen el comportamiento dinámico, y se decide cómo se implementa el codificador difuso, el motor de inferencia y el decodificador difuso. Un tipo de controlador ampliamente utilizado es el controlador difuso Mamdani (Berenji, 1992)..

(44) 24. Marco teórico. 2.4 Conclusiones El concepto de radio cognitivo involucra diversas tecnologías y áreas de conocimiento: procesamiento de señales, radio definido por software, inteligencia artificial, optimización, protocolos de red, calidad de servicio, gestión de espectro y lenguajes de especificación, entre otras. Más aún, puede concebirse para diferentes tipos de redes, no solo inalámbricas. Esto conlleva al planteamiento de diversas posibilidades de trabajo en este campo. En especial, para desarrollar el objetivo de diseño de un motor de aprendizaje basado en técnicas de inteligencia artificial para redes de sensores inalámbricas cognitivas, con énfasis en el nivel físico del modelo de referencia OSI, es apropiado proponer un modelo de redes de sensores inalámbricas que defina las funciones cognitivas que deben ser soportadas y especificar así estas novedosas funciones. Las redes neuronales artificiales son sistemas de procesamiento de información adaptativos no programados que pueden en forma autónoma desarrollar capacidades operacionales en respuesta a un ambiente de información; ellas representan un modelo óptimo para lograr capacidades de memoria y aprendizaje en una red de radio cognitivo. El uso de redes neuronales multicapa con alimentación hacia delante para la implementación de funciones de aprendizaje constituye una aproximación razonable, debido a la simplicidad y eficiencia que este tipo de redes ofrece. Los algoritmos que componen el área de la computación evolutiva están enfocados en la búsqueda de soluciones a partir de una población de individuos inicial y su evolución entre generaciones. De acuerdo al análisis realizado se concluye que no deben ser abordados en esta tesis, principalmente debido a que se busca aplicar el concepto de radio cognitivo en un tipo de redes caracterizadas por sus limitados recursos computacionales, siendo necesario mantener una complejidad razonable. La anterior conclusión también es válida para la técnica lógica difusa. Se analizó su uso para el diseño de la función de control del motor de aprendizaje propuesto, sin embargo, se encontró que la base de reglas resultantes estaba compuesta por dos valores: cambiar de canal o no, por ejemplo. Por lo tanto, se llegó a la conclusión que la complejidad del motor de aprendizaje se incrementaría sin obtenerse.

(45) 2.4 Conclusiones. 25. contraprestaciones al respecto. No obstante, Baldo (2007) propone su uso para el diseño de un controlador cognitivo desde un punto de vista cross-layer, donde las diferentes capas de la pila de protocolos puedan exportar métricas lingüísticas, por ejemplo canal bueno, canal malo, calidad de servicio pobre, aceptable, buena, etc., y el controlador sea independiente de los detalles de implementación de las redes, esquemas de codificación-modulación, tasa de datos, etc. Desde luego, esta apreciación es adecuada en un contexto donde los dispositivos de red tienen mayores capacidades computacionales, lo que no ocurre en las redes de sensores inalámbricas..

(46)

(47) Capítulo 3 Modelo de redes de sensores inalámbricas cognitivas. Una red de sensores inalámbrica cognitiva (CWSN, Cogntive Wireless Sensor Network) es una red de comunicaciones donde los nodos incorporan funciones de observación, orientación, planeación, decisión, actuación y aprendizaje, que les permiten ser conscientes de su ambiente de radio, decidir alternativas y adaptarse para mejorar su desempeño en la transmisión y recepción de datos. Este capítulo presenta un modelo de redes de sensores inalámbricas cognitivas, donde se especifica el modelo conceptual de una CWSN, la arquitectura de red y se describen funcionalmente sus componentes. Para lo cual se utiliza el lenguaje de modelado unificado (UML, Unified Modeling Language) de la OMG (2005).. 3.1 Modelo conceptual La figura 3.1 presenta el modelo conceptual de una CWSN, en él se han definido seis funciones: PHY, sensado, aprendizaje, control, persistencia de datos y señalización. A continuación se presenta una descripción general de estas funciones. •. PHY: define la capa física de los nodos de la red, es decir implementa los esquemas de codificación y modulación que procesan las señales para el envío y recepción de datos. Consiste en un framework SDR que dota a los.

(48) 28. Modelo de redes de sensores inalámbricas cognitivas. nodos de la WSN con la flexibilidad necesaria mediante capacidades de reconfiguración. Esta función también realiza las mediciones del ambiente de radio necesarias, entre ellas: densidad espectral de potencia (PSD, Power Spectral Density) y relación señal a ruido más interferencia (SINR, Signal to Interference and Noise Ratio). •. Sensado: coordina el procedimiento por medio del cual se recoge información del ambiente de radio donde operan los nodos, y depende directamente de la función PHY para la obtención de las mediciones necesarias.. •. Aprendizaje: modela el desempeño en la transmisión y recepción de datos, medido a partir de la tasa de errores de bit (BER, Bit Error Rate), esta consciencia se logra a partir de la información proporcionada por la función de sensado.. •. Control: realiza un proceso de razonamiento para inferir una decisión sobre las acciones que se deben tomar para mejorar el desempeño, en caso de que esto sea factible, por ejemplo la selección de un mejor canal para realizar la transferencia de datos o la selección de un esquema de capa PHY diferente.. •. Persistencia de datos: la información de sensado, desempeño y decisiones de control deben ser persistentes en el tiempo, con el objetivo que puedan ser utilizadas e intercambiadas por las funciones del nodo cognitivo y entre nodos de la red, de esto se encarga esta función. Puede ser implementada mediante una base de información de red de área personal (PIB, PAN Information Base) como en el caso de una red IEEE 802.15.4, o como una base de datos relacional asumiendo que las capas superiores de la red disponen de capacidades para tal fin.. •. Señalización: implementa los protocolos necesarios para el intercambio de información entre los nodos de una CWSN, la cual permitirá coordinar la operación distribuida cognitiva de la red, así como realizar la negociación de recursos necesaria para llevara a cabo la adaptabilidad de la red..

(49) 3.2 Arquitectura de red. 29. Figura 3.1. Modelo conceptual de una CWSN. 3.2 Arquitectura de red La arquitectura de red de una CWSN hereda las características de una WSN tradicional, siendo posibles dos estructuras principales: en estrella y árbol de clusters, representadas en las figuras 3.2 y 3.3 respectivamente, las cuales se describen a continuación. •. El subsistema denominado Aplicaciones representa los servicios que la CWSN ofrece a los usuarios, tales como: almacenamiento de los datos recolectados por los nodos sensores, monitoreo, control y análisis para una aplicación determinada.. •. El nodo Coordinador implementa el modelo conceptual CWSN principalmente, debido a que por lo general dispone de mayores recursos computacionales y posiblemente de suministro continuo de energía.. •. Un nodo Sensor realiza las funciones de sensado propias de la aplicación, y tiene capacidades de reconfiguración que le permitan adaptarse según las decisiones tomadas por el nodo Coordinador. Para algunas aplicaciones de control y automatización estos nodos también tendrán funciones de actuación..

(50) 30. Modelo de redes de sensores inalámbricas cognitivas. •. En una red de sensores peer-to-peer es posible formar grupos de nodos, denominados clusters, coordinados por un nodo Cabecera, este nodo realiza el sensado cognitivo, es decir, toma medidas del ambiente de radio y de desempeño necesarias para lograr la capacidad de percepción en la red cognitiva, y las envía al nodo Coordinador; así mismo, infiere sobre el desempeño y toma acciones necesarias para mejorarlo. Esta última topología, permite que la CWSN sea desplegada en un área más amplia y sea consciente del ambiente de radio para diferentes condiciones de espacio – tiempo.. Figura 3.2. CWSN en estrella. Figura 3.3. CWSN en árbol de clusters.

(51) 3.3 Arquitectura de los nodos. 31. 3.3 Arquitectura de los nodos Las funciones cognitivas definidas en el modelo conceptual deben ser distribuidas en los nodos de una CWSN. Los nodos sensores son dispositivos con fuertes restricciones computacionales y de energía, y deben mantenerse con la menor complejidad posible. La figura 3.4 muestra la arquitectura de un nodo sensor, donde se requieren funciones de capa física reconfigurables y un mecanismo de señalización para el intercambio de información y sincronización entre nodos de la red; además de las funciones propias de la aplicación, las cuales no se muestran en el gráfico.. Figura 3.4. Arquitectura nodo sensor. A diferencia de un nodo sensor, los nodos cabecera realizan funciones de sensado cognitivo y de control. La primera permite obtener la información de desempeño y ambiente de radio propia para un grupo de nodos sensores. Las funciones de un nodo cabecera son coordinar dicho grupo de sensores, reenviar los datos de aplicación de los nodos sensores, o datos de aplicación sensados localmente, y enviar la información de sensado cognitivo al nodo coordinador. La segunda permite generar las alternativas y tomar las decisiones que mejoren el desempeño. Además, al igual que en un nodo sensor, se requiere del mecanismo de señalización para el intercambio de información y sincronización entre nodos de la red. Las.

(52) 32. Modelo de redes de sensores inalámbricas cognitivas. capacidades de reconfiguración de la capa física son necesarias para implementar las instrucciones de adaptabilidad de la CWSN. La figura 3.5 muestra la arquitectura de un nodo cabecera.. <<node>> Cabecera <<cognitive>> Control. <<cognitive>> Aprendizaje. <<protocol>> Señalizacion. <<cognitive>> Sensado. <<sdr>> Capa Fisica. Figura 3.5. Arquitectura nodo cabecera. El nodo coordinador de una CWSN implementa las funciones cognitivas: sensado, aprendizaje y control, además de persistencia de datos, señalización y reconfiguración como se ilustra en la figura 3.6. Esto implica que el nodo coordinador debe disponer de mayores recursos computacionales y seguramente de alimentación continua de energía. En él se realiza el aprendizaje del desempeño a nivel físico de la red, posiblemente a partir de la implementación de funciones de ajuste de los parámetros de una función que lo caracterice, de acuerdo a los datos de las muestras y de tal manera que sea posible relacionar las medidas del ambiente de radio con las estimaciones de desempeño de error de la capa física. Además, este nodo debe implementar un controlador para la toma de decisiones, la persistencia de datos tanto de sensado como de las decisiones, configuraciones, y los mecanismos de señalización necesarios para el intercambio y sincronización de información entre los nodos de la red..

(53) 3.3 Arquitectura de los nodos. Figura 3.6. Arquitectura nodo coordinador. 33.

(54)